論文の概要: Kernel Two-Dimensional Ridge Regression for Subspace Clustering
- arxiv url: http://arxiv.org/abs/2011.01477v1
- Date: Tue, 3 Nov 2020 04:52:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 04:00:29.410284
- Title: Kernel Two-Dimensional Ridge Regression for Subspace Clustering
- Title(参考訳): サブスペースクラスタリングのためのカーネル2次元リッジ回帰
- Authors: Chong Peng, Qian Zhang, Zhao Kang, Chenglizhao Chen, and Qiang Cheng
- Abstract要約: 本稿では,2次元データに対する新しいサブスペースクラスタリング手法を提案する。
2Dデータを入力として直接使用するので、表現の学習はデータ固有の構造や関係から恩恵を受ける。
- 参考スコア(独自算出の注目度): 45.651770340521786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Subspace clustering methods have been widely studied recently. When the
inputs are 2-dimensional (2D) data, existing subspace clustering methods
usually convert them into vectors, which severely damages inherent structures
and relationships from original data. In this paper, we propose a novel
subspace clustering method for 2D data. It directly uses 2D data as inputs such
that the learning of representations benefits from inherent structures and
relationships of the data. It simultaneously seeks image projection and
representation coefficients such that they mutually enhance each other and lead
to powerful data representations. An efficient algorithm is developed to solve
the proposed objective function with provable decreasing and convergence
property. Extensive experimental results verify the effectiveness of the new
method.
- Abstract(参考訳): サブスペースクラスタリング法は近年広く研究されている。
入力が2次元(2D)データである場合、既存のサブスペースクラスタリング法は通常ベクトルに変換し、元のデータから固有の構造や関係を著しく損なう。
本稿では,2次元データに対する新しいサブスペースクラスタリング手法を提案する。
2Dデータを入力として直接使用するので、表現の学習はデータ固有の構造や関係から恩恵を受ける。
画像投影係数と表現係数を同時に求め、互いに互いに強化し、強力なデータ表現をもたらす。
提案する目的関数に対して,減算と収束性が証明可能な効率的なアルゴリズムを開発した。
広範な実験結果により,新しい手法の有効性が検証された。
関連論文リスト
- Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳(メタデータ) (2024-02-03T19:00:19Z) - Learning A Disentangling Representation For PU Learning [18.94726971543125]
本稿では、ラベルのないデータを2つのクラスタに投影するロス関数を用いて、ニューラルネットワークに基づくデータ表現を学習することを提案する。
提案手法の性能向上を実証する PU データのシミュレーション実験を行った。
論文 参考訳(メタデータ) (2023-10-05T18:33:32Z) - Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。
提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文 参考訳(メタデータ) (2023-07-19T04:07:33Z) - Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with
Coherent Embeddings [1.7188280334580195]
本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。
提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
論文 参考訳(メタデータ) (2021-09-22T06:45:37Z) - Graph Constrained Data Representation Learning for Human Motion
Segmentation [14.611777974037194]
本稿では,データの表現を学習し,データ自体からクラスタリング情報を掘り下げる新しい教師なしモデルを提案する。
HMSの4つのベンチマークデータセットによる実験結果から,我々の手法は,最先端手法によるクラスタリング性能を著しく向上することが示された。
論文 参考訳(メタデータ) (2021-07-28T13:49:16Z) - A Local Similarity-Preserving Framework for Nonlinear Dimensionality
Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。
ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。
8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-03-10T23:10:47Z) - Manifold Partition Discriminant Analysis [42.11470531267327]
本稿では,MPDA (Manifold Partition Discriminant Analysis) という,ディメンタリティ低減のための新しいアルゴリズムを提案する。
これは、データ多様体の局所的変動と一致する方向に沿ってクラス内類似性が達成される線形埋め込み空間を見つけることを目的としている。
MPDAは接空間の接続を明示的にパラメータ化し、データ多様体を断片的に表現する。
論文 参考訳(メタデータ) (2020-11-23T16:33:23Z) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳(メタデータ) (2020-05-19T05:54:14Z) - Ellipsoidal Subspace Support Vector Data Description [98.67884574313292]
一クラス分類に最適化された低次元空間にデータを変換する新しい手法を提案する。
提案手法の線形および非線形の定式化について述べる。
提案手法は,最近提案されたサブスペースサポートベクトルデータ記述よりもはるかに高速に収束する。
論文 参考訳(メタデータ) (2020-03-20T21:31:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。